数据采集常见的抓取策略

网络爬虫又称为网络蜘蛛，是一段计算机程序，它从互联网上按照一定的逻辑和算法抓取和下载互联网的网页，是搜索引擎的一个重要组成部分。一般的爬虫从一部分种子url开始，按照一定的策略开始爬取，爬取到的新的url在放入到爬取队列之中，然后进行新一轮的爬取，直到抓取完毕为止。

在爬虫系统中，待抓取URL队列是很重要的一部分。待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题，因为这涉及到先抓取那个页面，后抓取哪个页面。而决定这些URL排列顺序的方法，叫做抓取策略。网络爬虫的抓取策略有很多种，但不论方法如何，其基本目标一致：优先性选取重要网页进行爬取。下面和神龙HTTP代理一起看看常见的抓取策略吧~

一、宽度优先性遍历策略(Breath First)

将新下载网页包含的链接直接追加到待爬取URL队列末尾，就是宽度优先性遍历的核心。也就是说，这种方法并没有明确提出和使用网页重要性衡量标准，只是机械地将新下载的网页抽取链接，并追加到待爬取URL队列中，以此安排URL的下载序列。

二、OCIP策略(Online Page Importance Computation，在线页面重要性计算)

可以将其看做是一种改进的PageRank算法。在算法开始之前，每个互联网页面都给予相同的“现金”(cash)，每当下载了某个页面P后，P将自己拥有的“现金”平均分配给页面中包含的链接页面，把自己的“现金”清空。而对于待爬取URL队列中的网页，则根据其手头拥有的现金金额多少排序，优先性下载现金最充裕的网页。

OCIP从大的框架上与PageRank思路基本一致，区别在于：PageRank每次需要迭代计算，而OCIP策略不需要迭代过程，所以计算速度远远快于PageRank，适合实时计算使用。同时，PageRank在计算时，存在向无链接关系网页的远程跳转过程，而OCIP没有这一计算因子。实验结果表明，OCIP是种较好的重要性衡量策略，效果略优于宽度优先性遍历策略。

三、大站优先性策略(Larger Sites First)

大站优先性策略思路很直接：以网站为单位来衡量网页重要性，对于待爬取URL队列中的网页，根据所属网站归类，如果哪个网站等待下载的页面最多，则优先性下载这些链接。其本质思想倾向于优先性下载大型网站，因为大型网站往往包含更多的页面。鉴于大型网站往往是著名企业的内容，其网页质量一般较高，所以这个思路虽然简单，但是有一定依据。　

 神龙HTTP代理IP自建机房纯净网络、海量吞吐稳定强大、全协议支持助你轻松应对大数据行业各种业务需求。